PromptStyler 通过合成各种样式来模拟联合空间中的各种分布变化，而无需使用任何图像来处理无源域泛化，其方法通过可学习的样式词向量生成各种样式特征，并将样式内容特征与其对应的内容特征在联合视觉语言空间中相邻，从而确保学到的样式不会扭曲内容信息。在 PACS，VLCS，OfficeHome 和 DomainNet 等数据集上，PromptStyler 取得了最先进的结果，尽管它不需要任何图像，并且只需要使用单个 GPU 进行大约 30 分钟的训练。

Jul, 2023

提出了一种名为 StyDeSty 的简单而有效的方案，通过显式考虑数据增强过程中源域和伪域之间的对齐，使它们能够以自洽的方式相互作用，并进一步产生具有强大泛化能力的潜在域，从而在多个基准测试中取得了令人鼓舞的结果，在分类准确率上超过现有技术最高达 13.44％。

Jun, 2024

大型预训练视觉语言模型（VLMs）在下游任务中展现出令人印象深刻的零 - shot 能力，但人工设计的提示对特定领域不够优化。本文提出了一种用于下游任务的软提示方法，通过在特定域数据上进行微调，将软提示作为学习向量。我们从生成的角度重构了提示学习框架，并提出了一种简单而高效的域泛化（DG）任务方法，即软提示生成（SPG）。在训练阶段，我们引入了每个领域的软提示标签，以融合生成模型的领域知识。在推理阶段，生成模型的生成器被用来获取未知目标域的实例特定软提示。对三个域泛化任务的五个领域泛化基准进行的大量实验证明了我们提出的 SPG 方法达到了最先进的性能。代码将很快提供。

Apr, 2024

单域广义目标检测提高模型泛化能力，只使用来自单一源域的数据进行训练。本文提出了一种基于短语定位的风格转移方法（PGST）来实现此任务。通过定义文本提示并利用已有模型学习目标域的风格，并将源域的视觉特征转移到目标域。最终，我们使用这些风格转移的视觉特征对模型进行微调，使其在只使用单一源域进行训练的情况下能够有效地适用于未见过的目标域。实验证明，我们的方法在五个不同的天气驾驶基准数据集上取得了最先进的性能，甚至超过了一些将目标域图像纳入训练过程的领域自适应方法。源代码和预训练模型将会提供。

Feb, 2024

我们提出了一种名为 Prompt-driven Latent Domain Generalization（PLDG）的新型无标签领域通用化（DG）框架，通过无监督领域发现和提示学习，实现了对医学图像分类的领域通用化，并在三个医学图像分类任务和一个去偏任务上展开了广泛实验，证明了我们的方法在不依赖领域标签的情况下实现了与传统 DG 算法相媲美甚至更好的性能。

Jan, 2024

本论文提出了基于 prompt learning 的全新方法 DoPrompt，利用 domain prompts 嵌入源域的知识进行目标域的预测，针对视觉转换器 (ViT) 在领域泛化方面存在的问题，经过大量实验证明本文方法在四个基准数据集上获得了 1.4% 的精度提高，是基于 ViT 骨干结构的状态 - of-the-art 算法的 3.5 倍。

Aug, 2022

该论文提出了一种基于提示的文本风格转换编辑方法，其中使用预训练语言模型进行风格分类，使用分类概率计算风格得分，然后通过词级别的编辑，以最大化全面的评分函数来实现风格转换任务，实验表明其性能远高于具有 20 倍参数的现有技术。

Jan, 2023

本文提出了测试时样式转换和样式均衡方法以解决域泛化中的模型训练与目标域未知的问题。在不需要进一步模型更新的情况下，通过这种方法，模型可以处理任意具有任意样式统计数据的目标域，并且已在不同数据集上得到实验证明其有效性。

Jun, 2023

通过预训练的条件生成模型和视觉提示调优，本文提出了一种领域自适应图像合成框架，能够从少至一张图像中学习出语义和领域的解耦提示，并以目标领域风格合成图像，并进一步应用于零样本领域适应分类，实现了组合泛化。

Jun, 2023

使用大规模对比性语言 - 图像预训练（Contrastive-Language-Image-Pre-training，CLIP）模型极具语义能力的特点，实现了使用文本提示来训练生成模型，无需看到图像的 “盲目” 图像生成方法。通过少量的训练，我们的方法不断适应多个具有不同样式和形状特征的领域，并维持对未来任务有吸引力的潜在空间属性。

Aug, 2021